使用EEG和深度卷积神经网络预测安慰剂反应:与三个独立数据集的临床数据的相关性

科学领域:

• 神经科学是一个神经科学.
• 临床心理学 临床心理学
• 生物医学工程 生物医学工程

背景情况:

• 大型抑郁症 (MDD) 的临床试验在参与者分层方面面临挑战.
• 识别安慰剂反应者可以优化试验效率并减少样本大小.
• 对安慰剂反应的预测模型是必要的,以提高试验设计.

研究的目的:

• 开发和验证深度卷积神经网络 (DCNN) 模型,用于预测MDD患者的安慰剂反应.
• 在独立数据集中调查DCNN预测和临床特征之间的相关性.
• 确定与安慰剂敏感性相关的因素,以改善临床试验策略.

主要方法:

• 使用EMBARC研究中的静止电脑图 (EEG) 数据开发了一个DCNN模型.
• 该模型在预测安慰剂反应方面实现了69%的平衡准确性.
• 该模型应用于独立的数据集 (LEMON,CAN-BIND),以评估与临床特征的相关性.

主要成果:

• 该DCNN模型证明了MDD中安慰剂反应的预测能力.
• 模型预测与独立样本中的年龄,外向和认知处理速度相关.
• 已知这些因素与MDD的安慰剂反应有关.

结论:

• 这项研究提出了一种基于EEG的DCNN模型,用于预测MDD的安慰剂反应.
• 研究结果表明,年龄,外向和认知处理速度与安慰剂易感性有关.
• 开发的模型和确定的因素为MDD研究中更有效的临床试验设计提供了潜力.